Update README.md
本项目为第二届计图挑战赛计图 - 手写数字图像生成比赛的代码实现。 本项目的特点是：在Pycharm环境使用Jittor实现Conditional GAN，最终依据输入数据生成手写数字图像。
本项目可在RTX2060上运行，训练时间约为 15分钟。
执行以下命令安装 python 依赖：
python -m pip install jittor
如果您不想从头开始训练模型，可以直接使用Jittor官网提供的预训练模型和参数，模型下载地址为： https://github.com/Jittor/gan-jittor/blob/master/models/cgan/test.py 模型预训练参数下载： https://cloud.tsinghua.edu.cn/d/fbe30ae0967942f6991c/
在Pycharm中运行CGAN.py即可开始训练。 注意，该程序会进行100次迭代训练，保存对应训练结果（形式为png图片文件）以及最后的输出结果（result.png）。 如您需要改变最后输出结果的数字，请更改代码第205行。
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。
感谢计图（Jittor）相关研究人员的努力。
这是第二届计图(jittor)人工智能挑战赛热身赛“手写数字图片生成”的实现项目。
实践课程
Jittor第二届人工智能挑战赛热身赛
简介
本项目为第二届计图挑战赛计图 - 手写数字图像生成比赛的代码实现。 本项目的特点是：在Pycharm环境使用Jittor实现Conditional GAN，最终依据输入数据生成手写数字图像。
安装
本项目可在RTX2060上运行，训练时间约为 15分钟。
运行环境
安装依赖
执行以下命令安装 python 依赖：
预训练模型
如果您不想从头开始训练模型，可以直接使用Jittor官网提供的预训练模型和参数，模型下载地址为： https://github.com/Jittor/gan-jittor/blob/master/models/cgan/test.py 模型预训练参数下载： https://cloud.tsinghua.edu.cn/d/fbe30ae0967942f6991c/
训练
在Pycharm中运行CGAN.py即可开始训练。 注意，该程序会进行100次迭代训练，保存对应训练结果（形式为png图片文件）以及最后的输出结果（result.png）。 如您需要改变最后输出结果的数字，请更改代码第205行。
致谢
此项目基于论文 A Style-Based Generator Architecture for Generative Adversarial Networks 实现，部分代码参考了 jittor-gan。
感谢计图（Jittor）相关研究人员的努力。